Ответ
Временной ряд — это последовательность данных, упорядоченных во времени. Его структуру и поведение описывают следующие ключевые компоненты и свойства:
1. Компоненты ряда (декомпозиция):
- Тренд (Trend, T): Долгосрочное направленное движение данных (возрастающее, убывающее, горизонтальное). Например, общий рост числа пользователей приложения за год.
- Сезонность (Seasonality, S): Периодические, повторяющиеся колебания с фиксированной и известной частотой (сутки, неделя, месяц, квартал, год). Например, пики продаж мороженого летом или всплески трафика на сайте в понедельник утром.
- Цикличность (Cyclical, C): Колебания без строгой фиксированной периодичности, обычно связанные с экономическими циклами (длительностью более года).
- Шум/Остатки (Residual/Noise, R): Случайные, несистематические колебания, которые нельзя объяснить трендом, сезонностью или цикличностью.
Модель аддитивной декомпозиции: Y(t) = T(t) + S(t) + C(t) + R(t)
Модель мультипликативной декомпозиции: Y(t) = T(t) * S(t) * C(t) * R(t)
2. Критические статистические свойства:
- Стационарность (Stationarity): Свойство ряда, при котором его статистические характеристики (среднее значение, дисперсия, автокорреляция) не меняются со временем. Большинство классических моделей (ARIMA) требуют стационарности. Проверяется тестами (Дики-Фуллера, KPSS).
- Автокорреляция (Autocorrelation): Корреляция ряда с самим собой на разных временных лагах. Функция автокорреляции (ACF) показывает, насколько текущее значение зависит от предыдущих. Частная автокорреляция (PACF) измеряет чистую зависимость между
Y(t)иY(t-k), исключая влияние промежуточных лагов.
Пример проверки стационарности и визуализации ACF/PACF:
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.stattools import adfuller
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf
# Тест Дики-Фуллера
result = adfuller(series)
print(f'ADF Statistic: {result[0]:.4f}')
print(f'p-value: {result[1]:.4f}')
if result[1] < 0.05:
print("Ряд стационарен (отвергаем H0 о наличии единичного корня).")
else:
print("Ряд нестационарен.")
# Графики ACF и PACF
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(12, 8))
plot_acf(series, lags=40, ax=ax1)
plot_pacf(series, lags=40, ax=ax2, method='ywm')
plt.show()Понимание этих компонент — основа для выбора и настройки моделей прогнозирования (ARIMA, SARIMA, Exponential Smoothing).
Ответ 18+ 🔞
А, ну это про временные ряды, да? Ёпта, смотри, тут всё как в жизни — просто разложить по полочкам, а потом охуеть от того, как всё сложно.
В общем, представь, что у тебя есть какая-то хуйня, которая меняется со временем. Продажи, температура, курс биткоина — да похуй что. Это и есть твой временной ряд. И чтобы в нём не запутаться, как в тёмной комнате, его можно разобрать на четыре основные штуки. Это называется декомпозиция, звучит умно, а на деле — просто разборка на запчасти.
1. Запчасти этого самого ряда (или декомпозиция, ёб твою мать):
- Тренд (Trend): Это как общее направление, куда всё плывёт. Долгосрочно. Вот, например, твой бизнес в целом растёт год от года — это восходящий тренд. Или бабушкин огород зарастает бурьяном — тренд нисходящий. Просто общая тянучка.
- Сезонность (Seasonality): А это уже повторюшки. Как будто на дворе 2002-й год и карнавал «Ёлки-палки». Пиво летом лучше идёт, электричества зимой жрётся овердохуища, а в понедельник все на работе тупят в монитор. Циклы чёткие, предсказуемые.
- Цикличность (Cyclical): Похоже на сезонность, но хитрее. Это колебания без строгого графика, как экономические кризисы — вроде должны быть, а когда именно начнутся — хуй его знает. Длительные такие волны.
- Шум/Остатки (Noise): А это, блядь, самое интересное. Всё, что не влезло в три предыдущие коробки. Случайный пиздец, белый шум, непредсказуемая хуйня. Как будто кот сука собака пробежал по клавиатуре и добавил свои данные.
Их можно складывать (аддитивная модель) или умножать (мультипликативная). Формулы вот эти:
Y(t) = T(t) + S(t) + C(t) + R(t) или Y(t) = T(t) * S(t) * C(t) * R(t).
Код не трогаем, он святой.
2. Важные свойства, без которых нихуя не построишь:
- Стационарность (Stationarity): Вот это, чувак, ключевое понятие. Ряд стационарен, если он не ебёт мозг своими скачками. Его среднее значение, разброс и прочая хуйня не меняются со временем. Представь, что ты меряешь рост мартышлюшки, которая сидит на месте. А нестационарный ряд — это как если бы она ещё и на стероидах, и на качелях. Большинство моделей требуют стационарности, иначе они просто сойдут с ума. Проверяют это тестами, например, Дики-Фуллера. Если p-value меньше 0.05 — ряд стационарен, можно выдохнуть.
- Автокорреляция (Autocorrelation): А это про то, насколько сегодняшнее значение зависит от вчерашнего, позавчерашнего и так далее. Как похмелье зависит от количества выпитого. ACF (функция автокорреляции) показывает эту зависимость на разных лагах. А PACF (частная автокорреляция) — это типа «чистая» зависимость, если выкинуть влияние всех промежуточных дней. Охуенно полезные графики, чтобы понять, какая модель подойдёт.
Вот тебе кусок кода, который это всё проверяет и рисует. Смотри, не облажайся.
import pandas as pd
import matplotlib.pyplot as plt
from statsmodels.tsa.stattools import adfuller
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf
# Тест Дики-Фуллера
result = adfuller(series)
print(f'ADF Statistic: {result[0]:.4f}')
print(f'p-value: {result[1]:.4f}')
if result[1] < 0.05:
print("Ряд стационарен (отвергаем H0 о наличии единичного корня).")
else:
print("Ряд нестационарен.")
# Графики ACF и PACF
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(12, 8))
plot_acf(series, lags=40, ax=ax1)
plot_pacf(series, lags=40, ax=ax2, method='ywm')
plt.show()Короче, если ты это всё понял — ты уже на полпути к тому, чтобы выбрать нормальную модель для прогноза (типа ARIMA или Exponential Smoothing). Если не понял — ну, ебать копать, читай ещё раз, я не виноват. Главное — не пытайся предсказывать что-то на нестационарном ряде, это будет пиздопроебибна идея, доверия ебать ноль.